Influence in principal components analysis
主成分分析中的影响诊断AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究通用主成分分析的影响诊断，未建立宏观或金融因子模型，因此不能仅凭主成分方法归入因子领域。
反馈分类问题正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
主成分分析中的影响诊断
- 研究问题
- 如何把回归分析中用于识别高影响观测的影响函数及其样本版本，扩展为主成分分析中的观测影响诊断工具？
- 方法与思路
- 作者以实对称矩阵的扰动理论统一推导主成分分析的理论影响函数和样本版本，并解释其与回归诊断的差异。
- 材料陈述的贡献
- 摘要提出识别主成分分析中高影响观测的方法，并称对若干不同于回归情形的现象给出了理论解释。
- 阅读关注点
- 核对影响针对哪些主成分对象、样本诊断量的计算方式，以及特征值接近或重复时扰动方法是否仍然适用。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；未说明异常点识别阈值、特征值条件或实证表现，不能判断诊断可靠性。
原文摘要
In linear regression, the theoretical influence function and the various sample versions of it have an established place as diagnostic tools. These same functions are developed here to provide methods for the detection of influential observations in principal components analysis. The perturbation theory of real symmetric matrices unifies this development. Some interesting points of contrast with the regression case are noted and explained theoretically.